0

我曾尝试使用技术指标库来计算RSI(and ROC) 烛台的收盘价，但是当我比较Binance的结果时，我没有得到非常准确的结果：

我使用这个Binance API获取数据：

这是RSI和ROC指标的使用示例：

如果我这样做：

let inputData = {
        values: data, // 15 candlesticks, 1m candlestick data, values[0] is oldest closing price
        period: 14,
      };

我做计算：

const results_rsi = RSI.calculate(inputData);

我得到单元素数组，与Binance 上的（实时）数据相比，结果非常不准确。

如果我这样做：

let inputData = {
        values: data, // 100 candlesticks, 1m candlestick data, values[0] is oldest closing price
        period: 14,
      };

 const results_rsi = RSI.calculate(inputData);

我得到一个包含一堆元素的结果，如果我将result_rsi的最后一个元素与 Binance进行比较，RSI 14 (1m)我会得到非常准确的结果。另外，我在其中一个git 问题中读到，提供更多历史数据会更好。

现在，到目前为止一切都很好......或者至少我是这么认为的 :) 但是，RSI 和 ROC 结果都非常准确。

问题是，当我应用相同的逻辑但使用不同的参数时，可以这样说：

let inputData = {
        values: data, // 100(or even 200 and 500) candlesticks, 1h candlestick data, values[0] is oldest closing price
        period: 30,
      };

       const results_rsi = RSI.calculate(inputData);
      const results_roc = ROC.calculate(inputData);

results_rsi我检查了and的最后一个元素results_roc（我认为这是实际结果，但可能不是？），我仍然得到很好的结果RSI，但是因为ROC我得到了非常错误的结果。这让我觉得我是否正确使用了这个库，而且我不太确定RSI结果是否正确，因为我没有尝试使用许多不同的参数/数据。

所以，问题：

（来自文档）：

var data = 
[11045.27,11167.32,11008.61,11151.83,10926.77,10868.12,10520.32,10380.43,10785.14,10748.26,10896.91,10782.95,10620.16,10625.83,10510.95,10444.37,10068.01,10193.39,10066.57,10043.75];

var period = 12;
        
var expectResult = [-3.85,-4.85,-4.52,-6.34,-7.86,-6.21,-4.31,-3.24];
    
ROC.calculate({period : period, values : data});
  1. ROC这里的实际结果是什么？因为数组被返回。
  2. 输入值应该如何排序？（应该是什么values[0]）？
  3. 我哪里错了？:D
4

1 回答 1

1

“准确性”的足够数据深度是多少？
（更好：我们什么时候在屏幕上获得相等的输出？）

RSI 是包含先前数据元素的几个指标之一。因此，基于 15 天或 50 天基础数据的 14 天 RSI 将与基于 500 天数据的 14 天 RSI 显着不同。

因此，除非所有 TimeSeries 的“观察者”从 (a) 完全相同的 TimeSeries 和 (b) 使用完全相同的“长度”计算 RSI第一个“观察到的”周期长度条）和（c）使用计算方法的相同数值属性（几乎所有平台都使用相同的 64 位 IEEE-754 数值处理，这不会引起问题，使用混合 FPGA /GPGPU/SoC/ASIC 算法可能会引入此类进一步的不连贯性（导致结果出现新的差异）），
因此，
当且仅当我们都从时间序列历史中数据的“开始”开始时，满足 (a) & (b) & (c) 的机会最高（如果我们都使用相同的数据，不是那么容易，如果有些使用未校正的时区，来自不同（T）OHLC（V）数据源的不同历史深度）并使用相同的数值处理方法。

一些技术指标不太容易受到观察深度的影响，还有一些（如果这是一个核心问题（为了减少延迟/提高性能/保持 Quant-models 的重现性和结果的可重复性），
请尝试设置您的“准确性”阈值并测试所有技术指标对先验数据深度的依赖性（以便收敛开始满足您的“准确性”阈值，如果结果开始收敛并保持不变，则进一步扩展深度没有意义稳定，与任何进一步扩展的先验数据重新处理深度无关）

在某些情况下，您碰巧达到了这种“足够短”的先验数据深度，您无需重新处理更深的过去的单个条。在所有其他情况下并非如此，因为无法避免 DATA 深度依赖性。Pitty，如果我们想获得相同的结果，我们都需要采用相同的深度（通常是最大深度，见上文）。

于 2022-02-16T17:39:04.903 回答